博士论文 | Cambridge 2024 | 利用深度学习方法预测与建模空间天气 111页

随着越来越多的航天器为社会提供重要服务，精确建模和预测这些航天器的运行条件变得越来越重要。这些航天器所处的环境通常被称为空间天气。深度学习的出现使得利用大规模数据集来建模和预测这些条件成为可能。本论文主要描述了一系列方法学改进、考虑因素和概念验证系统，这些系统利用极紫外（EUV）太阳图像和深度学习技术来预测和建模空间天气条件。首先，使用视觉变换器从太阳EUV图像中预测太阳风速，并在之前工作的基础上有所改进。其次，利用预训练的视觉变换器来预测太阳辐照度，这些变换器处理九个太阳EUV/UV图像通道，并探索了其性能。第三，训练自编码器创建新的太阳指数，可以用于有效预测各种空间天气现象，推动了这种指数在生产系统中的应用。最后，训练了热层密度模型，这些模型可以显著超越现有的基于物理的模型。

论文题目：Forecasting and Modelling Space Weather with Deep Learning Methods

作者：Brown, Edward

类型：2024年博士论文

学校：University of Cambridge（英国剑桥大学）

下载链接：

链接: https://pan.baidu.com/s/1USbXZcO9JF_c87q5KXxLyw?pwd=ua4n

硕博论文汇总：

链接: https://pan.baidu.com/s/1Gv3R58pgUfHPu4PYFhCSJw?pwd=svp5

引言

1.1 空间天气

社会的许多关键领域都依赖于航天器的运行。例如，GPS、环境监测、国防用途、野火追踪和电信等等。这种依赖必然使降低这些航天器的风险变得至关重要。

英国国家风险登记册2023列出了英国面临的63项具体重大风险。这些风险按“影响”和“可能性”分类。太空天气与“常规基础设施袭击”、“新发传染病爆发”和“不涉及英国的核误判”属于同一影响/概率类别。显然，太空天气事件的风险受到了高度重视。

历史上，大型空间天气事件（例如1859年的卡灵顿事件）的影响在全球范围内都有报道。考虑到我们对卫星的依赖程度，同样的事件在当今社会将是灾难性的，更不用说对电网的潜在影响了。但即使是规模较小的事件，例如2003年的万圣节风暴，也导致大多数低地球轨道卫星暂时丢失，需要数天时间才能重新定位（Berger等人，2020年）。在日益拥挤的太空环境中，卫星碰撞的可能性不断增加，卫星丢失位置将严重限制运营商避免潜在碰撞的能力。随着卫星发射成本的大幅下降，卫星工业协会发布的2023年《卫星工业状况报告》显示，全球卫星工业的收入将达到2810亿美元。

2022年，SpaceX损失了38颗星链卫星。主要原因是这些卫星运行所处的稀薄大气层（热层）密度远高于预期。这些卫星未能成功脱离稠密的大气层，并螺旋式坠入低层大气并最终燃烧殆尽。

保持航天器在轨运行依赖于对影响航天器的空间天气条件进行精确建模和预测。机器学习，尤其是深度学习，是解锁大型数据集并提供稳健准确预测的工具，从而保护航天器提供的基本服务。